<ruby id="bdb3f"></ruby>

    <p id="bdb3f"><cite id="bdb3f"></cite></p>

      <p id="bdb3f"><cite id="bdb3f"><th id="bdb3f"></th></cite></p><p id="bdb3f"></p>
        <p id="bdb3f"><cite id="bdb3f"></cite></p>

          <pre id="bdb3f"></pre>
          <pre id="bdb3f"><del id="bdb3f"><thead id="bdb3f"></thead></del></pre>

          <ruby id="bdb3f"><mark id="bdb3f"></mark></ruby><ruby id="bdb3f"></ruby>
          <pre id="bdb3f"><pre id="bdb3f"><mark id="bdb3f"></mark></pre></pre><output id="bdb3f"></output><p id="bdb3f"></p><p id="bdb3f"></p>

          <pre id="bdb3f"><del id="bdb3f"><progress id="bdb3f"></progress></del></pre>

                <ruby id="bdb3f"></ruby>

                企業??AI智能體構建引擎,智能編排和調試,一鍵部署,支持知識庫和私有化部署方案 廣告
                # 來自世界級從業者的機器學習技巧:Phil Brierley > 原文: [https://machinelearningmastery.com/machine-learning-tips-from-a-world-class-practitioner-phil-brierley/](https://machinelearningmastery.com/machine-learning-tips-from-a-world-class-practitioner-phil-brierley/) Phil Brierley贏得了[遺產健康獎](http://www.heritagehealthprize.com/c/hhp) Kaggle機器學習競賽。 Phil是一名機械工程師,并在他的公司 [Tiberius Data Mining](http://www.tiberius.biz/) 中擁有數據挖掘的背景。這些天他很重視R,并在[另一個數據挖掘博客](http://anotherdataminingblog.blogspot.com.au/)上留下了博客。 2013年10月,他向RG特殊利益集團的[墨爾本用戶展示了他們。他的演講題目是“](http://www.meetup.com/MelbURN-Melbourne-Users-of-R-Network/)[提高預測模型](http://www.youtube.com/watch?v=1fIyQL9FiAk)準確性的技術”,您可以在下面觀看: &lt;iframe allowfullscreen="" frameborder="0" height="281" src="http://www.youtube.com/embed/1fIyQL9FiAk?feature=oembed" width="500"&gt;&lt;/iframe&gt; 如果您想深入了解一個高度務實和有效的機器學習從業者如何解決問題,這是一個很好的演示。我想強調一下我從這個演講中拿走的三點。 ## 實用主義 菲爾打開演講時發表評論說“[布丁的證據在吃](http://en.wiktionary.org/wiki/the_proof_of_the_pudding_is_in_the_eating)” - 你只能在嘗試之后表明某些事情是成功的。菲爾對這個偉大的理論并不感興趣,他希望證明一個模型通過查看它的結果而起作用。 他評論說,大多數問題涉及與人類有關的數據,而不是自然法則,這可能使問題變得復雜。他還評論說,他對發明新算法不感興趣,而是從可用的算法中獲得最佳效果。 R有很多算法,這就是他使用它的原因。 ## 合奏 菲爾是合奏的巨大支持者。他在他的Heratage健康獎中使用了他們,他用一個簡單的足球小費示例展示了他們的力量,甚至使用眾包來猜測房間里人的體重作為一個例子。 菲爾評論:不要建立一個偉大的模型,要求10個人創建每個模型并平均它們。 菲爾評論說不應該完全拋棄壞模式,但你應該尋找的是模型結果的多樣性,你可以重新組合成一個改進的解決方案。通過尋找預測之間缺乏相關性來評估預測的多樣性,預測應該最大化。 ## 可視化 Phil評論說可視化是一個重要且未充分利用的工具。他強調了眼球分布屬性的實用性,以了解它們是多么明智,并突出數據的問題。他評論說,視覺檢查可以幫助您了解統計摘要所不具備的數據中的陌生感。 這是一個很好的談話,我強烈建議觀看它。另請注意Heratage Health Prize中多年來對數據校準的深刻見解。
                  <ruby id="bdb3f"></ruby>

                  <p id="bdb3f"><cite id="bdb3f"></cite></p>

                    <p id="bdb3f"><cite id="bdb3f"><th id="bdb3f"></th></cite></p><p id="bdb3f"></p>
                      <p id="bdb3f"><cite id="bdb3f"></cite></p>

                        <pre id="bdb3f"></pre>
                        <pre id="bdb3f"><del id="bdb3f"><thead id="bdb3f"></thead></del></pre>

                        <ruby id="bdb3f"><mark id="bdb3f"></mark></ruby><ruby id="bdb3f"></ruby>
                        <pre id="bdb3f"><pre id="bdb3f"><mark id="bdb3f"></mark></pre></pre><output id="bdb3f"></output><p id="bdb3f"></p><p id="bdb3f"></p>

                        <pre id="bdb3f"><del id="bdb3f"><progress id="bdb3f"></progress></del></pre>

                              <ruby id="bdb3f"></ruby>

                              哎呀哎呀视频在线观看